© SOCIO 2014 
Optimiser les achats croisés sur internet grâce au marketing prédictif 
Thierry Vallaud & Cédric Hervet 
Le ...
01 
© SOCIO 2014 
2 
Une société du groupe 
Agenda 
Qui sommes nous ? p.3 
Une recherche fondamentalement appliquée p.4 ...
01 
© SOCIO 2014 
3 
Une société du groupe 
Nous sommes SOCIO, filiale de 
NP6 est un groupe leader dans le CRM multican...
01 
© SOCIO 2014 
4 
Une société du groupe 
Une recherche rapide de 3 mois 
Un partenariat avec l’ESTI et Dauphine 
Une...
01 
© SOCIO 2014 
5 
Une société du groupe 
DÉFINIR LA COOCCURRENCE
01 
© SOCIO 2014 
6 
Une société du groupe 
Pour optimiser l’achat croisé il faut d’abord : 
Trouver dans un même panier ...
01 
© SOCIO 2014 
7 
Une société du groupe 
L’analyse du panier de la ménagère existe depuis les années 90 (les couches e...
01 
© SOCIO 2014 
8 
Une société du groupe 
LA THÉORIE DES GRAPHES
01 
© SOCIO 2014 
9 
Une société du groupe 
Dans une matrice qui croise 15 000 produits X 15 000 produits mais pour les p...
01 
© SOCIO 2014 
10 
Une société du groupe 
On va lancer une programme qui va tracer et calculer l’intensité des liens e...
01 
© SOCIO 2014 
11 
Une société du groupe 
La théorie des réseaux 
La clique : complémentarité entre tous les produits ...
01 
© SOCIO 2014 
12 
Une société du groupe 
L’analyse permet de voir des communautés d’achat insoupçonnées et de réfléch...
01 
© SOCIO 2014 
13 
Une société du groupe 
Les ensembles de règles existent mais notre approche base ces règles sur des ...
01 
© SOCIO 2014 
14 
Une société du groupe 
Actuellement ce module est en phase de test, il sera disponible bientôt dans...
01 
© SOCIO 2014 
15 
Une société du groupe 
M. E. J. Newman Aaron Clauset and Cristopher Moore. Modularity and 
communit...
01 
© SOCIO 2014 
16 
Une société du groupe 
http://www.np6.fr/ressources/conferences/ 
Pour lire la suite
Prochain SlideShare
Chargement dans…5
×

Comment optimiser les achats croisés sur Internet grâce au marketing prédictif ?

2 907 vues

Publié le

Développer les achats croisés de ses clients représente une des meilleures opportunités de croissance de son chiffre d’affaires. Quelles données et quels algorithmes déterminent les produits qui ont le plus de probabilité d’être achetés ensemble ? Comment la théorie des graphes identifie ces corrélations au sein de très grands ensembles de produits, pages web, etc., facilitant la prise de décision en temps réel ? Quelles actions marketing peuvent alors être mises en place grâce à des outils d’analyse prédictive tels que GeckoData Predict, développé par NP6 et SOCIO, qui intègrent ces enseignements ?

Publié dans : Données & analyses
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
2 907
Sur SlideShare
0
Issues des intégrations
0
Intégrations
1 894
Actions
Partages
0
Téléchargements
17
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Comment optimiser les achats croisés sur Internet grâce au marketing prédictif ?

  1. 1. © SOCIO 2014 Optimiser les achats croisés sur internet grâce au marketing prédictif Thierry Vallaud & Cédric Hervet Le 23 septembre 2014 Une société du groupe
  2. 2. 01 © SOCIO 2014 2 Une société du groupe Agenda Qui sommes nous ? p.3 Une recherche fondamentalement appliquée p.4 Définir la cooccurrence p.5 La théorie de graphes p.10 Conclusions p.19
  3. 3. 01 © SOCIO 2014 3 Une société du groupe Nous sommes SOCIO, filiale de NP6 est un groupe leader dans le CRM multicanal et le marketing prédictif SOCIO est sa filiale « data sciences » Depuis le regroupement des deux entités nous avons crée une offre de DMP marketing GeckoData® dans laquelle nous insérons des modules de scoring via l’interface EMA : Cette offre de marketing prédictif « on line » et en « mode SaaS » se développe peu à peu : D’abord des scores d’appétence (propension, réactivité) Des scores de risques (désabonnement, plainte…) Et un nouveau module de cooccurrence d’achat Qui sommes nous ?
  4. 4. 01 © SOCIO 2014 4 Une société du groupe Une recherche rapide de 3 mois Un partenariat avec l’ESTI et Dauphine Une recherche basée sur des fondamentaux théoriques éprouvés : Sociologie des réseaux Source Théorie des graphes Source Analyse du panier la ménagère Source Comportement du consommateur Source Des résultats probants directement tournés vers des applications marketing opérantes C’est le savoir-faire historique des équipes de SOCIO qui couplé à celui de NP6 crée une nouvelle offre en ligne Une recherche fondamentalement appliquée
  5. 5. 01 © SOCIO 2014 5 Une société du groupe DÉFINIR LA COOCCURRENCE
  6. 6. 01 © SOCIO 2014 6 Une société du groupe Pour optimiser l’achat croisé il faut d’abord : Trouver dans un même panier : Les produits achetés ensemble Trouver dans plusieurs paniers successifs : Les produits qui se complémentent L’objectif étant de proposer à ses clients les bons produits, les plus susceptibles d’être achetés avec la bonne offre au bon moment. La cooccurrence peut s’appliquer au panier mais aussi à des pages web portant ou non des produits, des offres de couponing sortie caisse, des enchainement d’emails… De quoi s’agit t-il ?
  7. 7. 01 © SOCIO 2014 7 Une société du groupe L’analyse du panier de la ménagère existe depuis les années 90 (les couches et la bière) : Elle traite la cooccurrence d’achat principalement Les algorithmes Certains ne tiennent pas compte du temps Apriori GRI D’autres tiennent compte du temps : achat en premier puis dans une date ultérieure de l’achat en second : séquence, Carma Ce qui est nouveau c’est que nous pouvons embarquer ces analyses dans une plateforme distante : GeckoData pour les faire tourner sur vos données et en plus apporter de nouvelles techniques plus performantes. Ce n’est pas nouveau mais…
  8. 8. 01 © SOCIO 2014 8 Une société du groupe LA THÉORIE DES GRAPHES
  9. 9. 01 © SOCIO 2014 9 Une société du groupe Dans une matrice qui croise 15 000 produits X 15 000 produits mais pour les produits achetés plus de 10 fois : plus de trous dans la matrice que de cooccurrences. Les modèles n’aiment pas les trous, il faut détecter les « fameux » signaux faibles Il faut contourner ce caractère « creux », être signifiant Les règles sont complexes et peu visuelles : il faut faciliter la compréhension simple On cherche à travailler au niveau le plus fin (produit), pour les regrouper sur la base des cooccurrences observées sans tomber dans des règles « évidentes » On cherche un outil de visualisation synthétique de ces cooccurrences pour l’aide à la décision qui soit accessible au plus grand nombre : un outil entièrement open source entre Gephi, Oscar R La simplicité et la transparence Volume de données vs pertinence de la taxinomie
  10. 10. 01 © SOCIO 2014 10 Une société du groupe On va lancer une programme qui va tracer et calculer l’intensité des liens entre tous les produits (les 15 000) ayant au moins plus de 10 cooccurrences On peut définir d’autres contraintes : Nbre min d’occurrence Catégorie de produits Valeur min et max en € Périodes Une add-offre à l’offre GeckoData Predict qui inclut déjà des scores Une offre qui peut aussi vivre sans les autres scores : un module distant mais indépendant qui peut se pluguer à votre DW L’ergonomie et l’économie Piloter vos cooccurrences dans GeckoData
  11. 11. 01 © SOCIO 2014 11 Une société du groupe La théorie des réseaux La clique : complémentarité entre tous les produits Etoile : existence d’un produit phare, entouré d’accessoires non complémentaires entre eux Robuste : l’ajout d’un produit augmente la probabilité d’achat Une visualisation efficace par communautés
  12. 12. 01 © SOCIO 2014 12 Une société du groupe L’analyse permet de voir des communautés d’achat insoupçonnées et de réfléchir à l’assortiment Prévoir les produits achetés demain ensemble par l’observation des associations passées, c’est en cela que ce marketing est prédictif. Prévoir et comprendre pour anticiper les offres
  13. 13. 01 © SOCIO 2014 13 Une société du groupe Les ensembles de règles existent mais notre approche base ces règles sur des faits visuellement avérés : Développer l’up sale en proposant des produits qui vont ensemble Les assiettes et les couverts évidents mais plus efficace quand on sait que les clients achètent ces assortiments Pousser des pages web complémentaires qui augmentent le closing et le montant du panier Développer des produits à achat séquencé dans le temps : le canapé puis la table basse, puis les fauteuils Concevoir des mix produits liés d’emblée : la parure de lit complète plutôt que la vente séparée, l’ensemble de vêtements assortis Trouver des offres qui ne se cannibalisent pas : réduction sur un produit puis offre en lot pour les produits complémentaires Des usages marketing et commerciaux concrets
  14. 14. 01 © SOCIO 2014 14 Une société du groupe Actuellement ce module est en phase de test, il sera disponible bientôt dans l’offre GeckoData Predict : entièrement en mode SaaS Nous travaillons sur d’autres innovations : Des scores BtoB L’intégration de dimension géographique associées au temps réel La possibilité de piloter en temps réel la dérivabilité La gestions de scénarii marketing auto déclenchés …. L’automatisation des scores parait simple mais : Une nécessaire adaptation à des contacts clients très différents et évolutifs qui rendent ce type d’offre difficile à construire et a maintenir Nous travaillons sur des modèles auto-apprenants tout en laissant un poids important aux fine tuning des utilisateurs Ces deux points sont clefs dans l’offre GeckoData Predict Conclusions
  15. 15. 01 © SOCIO 2014 15 Une société du groupe M. E. J. Newman Aaron Clauset and Cristopher Moore. Modularity and community structure in networks. Physical Review E, 70(6) :066111, 2004. Gaurav Agarwal and David Kempe. Modularity-maximizing graph communities via mathematical programming, 2008. Vincent D Blondel, Jean-Loup Guillaume, Renaud Lambiotte, and Etienne Lefebvre. Fast unfolding of communities in large networks. Journal of Statistical Mechanics : Theory and Experiment, 2008(10) :P10008, 2008. U. Brandes, D. Delling, M. Gaertler, R. Goerke, M. Hoefer, Z. Nikoloski, and D. Wagner. Maximizing Modularity is hard. ArXiv Physics e-prints, August 2006. Irene Charon, Olivier Hudry, and Antoine Lobstein. Minimizing the size of an identifying or locating-dominating code in a graph is np-hard. Theor. Comput. Sci., 290(3) :2109–2120, 2003. Newman and M. Girvan. Finding and evaluating community structure in networks. Physical Review E, 69(2) :026113, 2003. Bibliographie
  16. 16. 01 © SOCIO 2014 16 Une société du groupe http://www.np6.fr/ressources/conferences/ Pour lire la suite

×